Fugu-MT 論文翻訳(概要): QAGCN: A Graph Convolutional Network-based Multi-Relation Question Answering System

論文の概要: QAGCN: A Graph Convolutional Network-based Multi-Relation Question Answering System

arxiv url: http://arxiv.org/abs/2206.01818v1
Date: Fri, 3 Jun 2022 21:01:48 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 12:51:08.398902
Title: QAGCN: A Graph Convolutional Network-based Multi-Relation Question Answering System
Title（参考訳）: QAGCN: グラフ畳み込みネットワークに基づくマルチリレーション質問応答システム
Authors: Ruijie Wang, Luca Rossetto, Michael Cochez, Abraham Bernstein
Abstract要約: 本稿では,知識グラフを用いた多段階推論モデルQAGCNを提案する。我々は高効率な埋め込み計算を用いて回答を検索し、より良い解釈可能性を得るために、返却された回答に対する解釈可能な経路を抽出する。広く採用されているベンチマークデータセットでは、提案モデルが最先端の手法と競合することが実証されている。
参考スコア（独自算出の注目度）: 7.719821171474585
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Answering multi-relation questions over knowledge graphs is a challenging task as it requires multi-step reasoning over a huge number of possible paths. Reasoning-based methods with complex reasoning mechanisms, such as reinforcement learning-based sequential decision making, have been regarded as the default pathway for this task. However, these mechanisms are difficult to implement and train, which hampers their reproducibility and transferability to new domains. In this paper, we propose QAGCN - a simple but effective and novel model that leverages attentional graph convolutional networks that can perform multi-step reasoning during the encoding of knowledge graphs. As a consequence, complex reasoning mechanisms are avoided. In addition, to improve efficiency, we retrieve answers using highly-efficient embedding computations and, for better interpretability, we extract interpretable paths for returned answers. On widely adopted benchmark datasets, the proposed model has been demonstrated competitive against state-of-the-art methods that rely on complex reasoning mechanisms. We also conducted extensive experiments to scrutinize the efficiency and contribution of each component of our model.
Abstract（参考訳）: 知識グラフに対するマルチリレーショナルな疑問に答えることは、膨大な数の経路に対する多段階の推論を必要とするため、難しい課題である。強化学習に基づくシーケンシャル意思決定などの複雑な推論機構を持つ推論に基づく手法が,この課題のデフォルトパスとみなされてきた。しかし、これらのメカニズムは実装や訓練が難しいため、再現性と新しいドメインへの転送性が損なわれる。本稿では,知識グラフのエンコーディング中にマルチステップ推論が可能な注意グラフ畳み込みネットワークを活用した,単純かつ効果的で斬新なモデルであるqagcnを提案する。その結果、複雑な推論機構は避けられる。さらに,効率を向上させるために,高効率な埋め込み計算を用いて解を抽出し,解答に対する解釈可能な経路を抽出する。広く採用されているベンチマークデータセットでは、提案されたモデルは複雑な推論メカニズムに依存する最先端のメソッドと競合することが示されている。また,モデルの各コンポーネントの効率と貢献度を調べるため,広範囲にわたる実験を行った。

関連論文リスト

Graph Reasoning for Question Answering with Triplet Retrieval [33.454090126152714]
知識グラフ(KGs)から最も関連性の高い三つ子を抽出する簡便で効果的な方法を提案する。我々の手法は最先端の精度を4.6%まで上回ることができる。
論文参考訳（メタデータ） (2023-05-30T04:46:28Z)
Multi-hop Commonsense Knowledge Injection Framework for Zero-Shot Commonsense Question Answering [6.086719709100659]
本稿では,新しいマルチホップコモンセンス知識注入フレームワークを提案する。本フレームワークは,5つの共通知識質問応答ベンチマークにおいて,最先端性能を実現する。
論文参考訳（メタデータ） (2023-05-10T07:13:47Z)
T-SciQ: Teaching Multimodal Chain-of-Thought Reasoning via Mixed Large Language Model Signals for Science Question Answering [59.63860993280275]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて例外的な性能を示した。 LLM信号を用いた科学質問応答の指導を目的とした,T-SciQと呼ばれる新しい手法を提案する。提案手法は,ScienceQAベンチマークで96.18%の精度で,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-05-05T11:56:30Z)
Logical Message Passing Networks with One-hop Inference on Atomic Formulas [57.47174363091452]
本稿では,ニューラルネットワーク演算子から知識グラフの埋め込みを分解する,複雑な問合せ応答のためのフレームワークを提案する。クエリグラフの上に、局所的な原子式上のワンホップ推論とグローバル論理的推論を結びつける論理メッセージパッシングニューラルネットワーク(LMPNN)を提案する。我々のアプローチは、最先端のニューラルCQAモデルをもたらす。
論文参考訳（メタデータ） (2023-01-21T02:34:06Z)
UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文参考訳（メタデータ） (2022-12-02T04:08:09Z)
VQA-GNN: Reasoning with Multimodal Knowledge via Graph Neural Networks for Visual Question Answering [79.22069768972207]
本稿では,VQA-GNNモデルを提案する。VQA-GNNは,非構造化知識と構造化知識の双方向融合を行い,統一知識表現を得る。具体的には,シーングラフとコンセプトグラフを,QAコンテキストを表すスーパーノードを介して相互接続する。課題2つのVQAタスクにおいて,本手法はVCRが3.2%,GQAが4.6%,強いベースラインVQAが3.2%向上し,概念レベルの推論を行う上での強みが示唆された。
論文参考訳（メタデータ） (2022-05-23T17:55:34Z)
Modeling Multi-hop Question Answering as Single Sequence Prediction [88.72621430714985]
本稿では,単純な生成手法(PathFid)を提案する。 PathFidは、マルチホップ質問に対する回答を解決するための推論プロセスを明示的にモデル化する。実験の結果,PathFidは2つのマルチホップQAデータセットに対して高い性能向上をもたらすことが示された。
論文参考訳（メタデータ） (2022-05-18T21:57:59Z)
Improving Question Answering over Knowledge Graphs Using Graph Summarization [0.2752817022620644]
キーとなる考え方は、知識グラフの質問やエンティティを低次元の埋め込みとして表現することである。本稿では,リカレント畳み込みニューラルネットワーク(RCNN)とGCNを用いたグラフ要約手法を提案する。提案手法は,KGQAでは解答が不確実な数で得られない問題に対処するために用いられる。
論文参考訳（メタデータ） (2022-03-25T10:57:10Z)
Ask to Understand: Question Generation for Multi-hop Question Answering [11.626390908264872]
マルチホップ質問回答 (Multi-hop Question Answering, QA) は、複数の文書から散乱した手がかりを見つけ、推論することで複雑な質問に答えることを要求する。質問生成(QG)の観点から,マルチホップQAを補完する新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-17T04:02:29Z)
Improving Embedded Knowledge Graph Multi-hop Question Answering by introducing Relational Chain Reasoning [8.05076085499457]
知識ベース質問回答(KBQA)は、トピックエンティティと回答の間の推論を識別することで、知識ベース(KB)からのユーザ要求に答える。 KBQA の複素分岐タスクとして、マルチホップ KGQA は構造化された KG に保存された多重ホップ関係鎖の推論を必要とする。
論文参考訳（メタデータ） (2021-10-25T06:53:02Z)
Counterfactual Variable Control for Robust and Interpretable Question Answering [57.25261576239862]
ディープニューラルネットワークに基づく質問応答(QA)モデルは、多くの場合、堅牢でも説明もできない。本稿では、因果推論を用いてQAモデルのこのような突発的な「能力」を検証する。本稿では,任意のショートカット相関を明示的に緩和する,CVC(Counterfactual Variable Control)という新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-12T10:09:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。